P-Values
PulseAugur coverage of P-Values — every cluster mentioning P-Values across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
理解P值：统计显著性指南
本文解释了P值这一概念，它对于理解研究中的统计显著性至关重要。文章使用了法庭类比，其中零假设代表无罪，备择假设代表有罪。P值量化了在零假设为真的情况下观察到证据的可能性。较低的P值（通常低于0.05）表明观察到的结果不太可能是由随机机会造成的，从而促使研究人员拒绝零假设并得出统计显著性的结论。
-
贝叶斯统计应用于随机性测试
本文探讨了贝叶斯统计在随机性测试中的应用，这项任务传统上由频率学方法使用p值和t检验来处理。作者演示了贝叶斯方法如何利用似然比来替代p值，以确定随机比特生成器是否正常工作。该方法涉及为似然比设置一个阈值，超过该阈值表明生成器性能出现故障，例如产生过多的0或1。文章还通过引入未知变量并与一系列替代理论进行比较，触及了将此贝叶斯框架扩展到各种其他随机性测试，包括块频率、游程、词频和自相关测试。
-
新方法可在假设检验中无标签地校准统计声明
研究人员开发了一种新颖的方法，可以在大规模假设检验中校准统计声明，而无需标记数据。该方法借鉴了概率预测的思路，但将其应用于地面真实情况从不揭示的场景，例如多重检验。通过从排序的p值构建伪标签，该方法可以进行随机评估和间接建立校准，有可能提高错误概率的可靠性，特别是对于在心理学和神经科学文献调查中发现严重校准错误的q值等度量。
-
新的 P2E 校准器提高了共形预测的效率
研究人员开发了一种将共形 p 值转换为 e 值的新方法，解决了现有方法的局限性。这种新颖的 P2E 校准器可确保预测集保持不变，同时可能提高统计效率。该新技术已被证明可以满足覆盖率保证，并提高交叉共形预测和共形聚合等应用中的效率，为不确定性量化开辟了新途径。